Python+OpenCV 实现简单的高斯滤波(推荐)

青禾

发布时间：2026-10-14 | 2人浏览过

原创

本文介绍了使用Python和OpenCV库手动实现高斯滤波的完整过程。内容涵盖高斯核函数的构建原理、权重矩阵的归一化处理，以及针对彩色图像和灰度图像的不同滤波实现逻辑。通过具体代码示例展示了如何生成高斯核并应用滤波算法，同时指出了该原始方法在处理大尺寸图像时的性能局限性。

高斯滤波原理与核函数构建

高斯模糊算法的基本原理

在编写高斯核函数时，核心任务是构建权重矩阵，该矩阵遵循二维高斯分布的形式。需要特别说明的是，当前实现中并未对 sigma（标准差）等于 0 的特殊情况进行单独判断或处理。

具体实现步骤如下：

第一步是构建权重矩阵。

依据高斯分布公式进行计算。

在计算矩阵内部元素时，由于后续需要进行归一化处理，公式中根号下 2Π 的系数会在除法中被约去，因此代码实现中省略了该系数的计算。

第二步是对矩阵元素进行归一化处理。

计算矩阵内所有元素的总和 sum，最后将矩阵中每个元素除以该总和，从而得到归一化后的权重矩阵。


# 高斯核生成函数 kernel_size:滤波核大小  sigma:高斯核函数的局部影响范围
def gauss(kernel_size, sigma):
    #定型0填充
    kernel = np.zeros((kernel_size, kernel_size))
    #确定正态分布中间值
    center = kernel_size // 2
    # s:方差 sum:记录总和
    s = sigma ** 2
    sum = 0
    for i in range(kernel_size):
        for j in range(kernel_size):
            #由于最后要进行归一化处理，此处根号下2Π计算可以省略
            x, y = i - center, j - center
            kernel[i, j] = np.exp(-(x ** 2 + y ** 2) / (2 * s))
            sum += kernel[i, j]
    #归一化处理后输出
    kernel = kernel / sum
    return kernel

图像滤波函数实现细节

接下来编写滤波函数，其作用是将图像中每个像素点（边缘像素除外）及其周围邻域像素与权重矩阵相乘，从而完成高斯滤波操作。

需要注意的是，上述函数仅适用于处理彩色图像，因为彩色图像具有 img.shape[2] 这一通道维度，而灰度图像缺少该维度，无法直接使用此方法处理。


# 高斯滤波实现，img:输入图像 kermel:输入高斯核函数
def myfilter(img,kernel):
    # 读取img行数核列数
    h = img.shape[0]
    w = img.shape[1]
    # 直接拷贝父对象
    img1 = copy.copy(img)
    # 去掉边缘
    for i in range(1,h-1):
        for j in range(1,w-1):
            # 三通道处理
            for c in range(0,2):
                sum = 0
                # 加权
                for k in range(-1,2):
                    for l in range(-1,2):
                        sum += img[i+k,j+l,c]*kernel[k+1,l+1]
                img1[i,j,c] = sum
    return img1

此外，当前滤波函数的实现是针对 kernel_size 为 3*3 的情况编写的。如果需要更改 kernel_size 的大小，必须相应调整代码中 range 函数的范围。

灰度图像与完整代码示例

以下是针对灰度图像的处理方式：


def myfilter2(img,kernel):
    # 读取img行数核列数
    h = img.shape[0]
    w = img.shape[1]
    # 直接拷贝父对象
    img1 = copy.copy(img)
    # 去掉边缘
    for i in range(1,h-1):
        for j in range(1,w-1):
            sum = 0
            for k in range(-1,2):
                for l in range(-1,2):
                    sum += img[i+k,j+l]*kernel[k+1,l+1]
            img1[i,j] = sum
    return img1

整个程序的完整运行代码如下：


import copy
import cv2
import numpy as np
#图像读取
img_y = cv2.imread('p2.jpg')
# 选择高斯生成函数3*3，其中sigama = 3
kernel = gauss(3,3)
# 打印这个生成函数
print(kernel)
# 高斯滤波处理
img1 = myfilter(img_y, kernel)
cv2.imshow('P1_yuantu',img_y)
cv2.imshow('P1_gaussian', img1)
cv2.waitKey(0)

输入与输出图像的结果展示如下：

原图与经过高斯滤波处理后的图像对比。